Documentos de Académico
Documentos de Profesional
Documentos de Cultura
RESUMEN
Se realiza un análisis de la evolución de los casos diarios de contagios y el número de
muertes para Colombia y algunas ciudades con base en información oficial reportada
por el Ministerio de Salud, con el fin de dar respuesta a la siguiente pregunta: ¿dada la
trayectoria actual del nuevo coronavirus, es posible estimar el futuro pico de contagios?
A partir de la construcción de una estructura de datos de panel, se estiman modelos
con tendencia cuadrática temporal para el logaritmo del número de contagios y muertes
por COVID-19. La estimación de la dinámica de los contagios y de las muertes de
manera recursiva a partir del método de regresiones rolling window muestra un buen
ajuste, permitiendo predecir cuándo se alcanzará el pico de la epidemia en función de
los nuevos casos reportados oficialmente. Se estiman algunos factores asociados a la
evolución de la pandemia, especialmente el efecto de la velocidad de contagio (tasa de
reproducción efectiva, Ro) sobre la trayectoria futura de los contagios diarios. Además,
se intenta estimar el impacto de las medidas de aislamiento preventivo adoptadas por
las autoridades nacionales y regionales. Los resultados muestran que el pico de la
pandemia en Colombia se alcanza aproximadamente a finales de agosto, período que
coincide con estudios epidemiológicos más elaborados. El número promedio de nuevos
casos diarios en el pico alcanzaría más de 10.000 contagios, mientras que el máximo
número de fallecidos en el pico sería de 44.471. La estimación del impacto de las
medidas de confinamiento muestra que se logra aplazar el pico y reducir el número de
contagios y muertes.
ABSTRACT
An analysis of the evolution of daily COVID-19 cases and number of deaths in Colombia
and some Colombian cities is carried using official information reported by the Ministry
of Health. This seeks to answer the following question: Considering the current
trajectory of the new coronavirus, is it possible to estimate the future peak of infections?
From the construction of a panel data structure, some models with a time quadratic
trend are estimated for the number of infections and deaths logarithm. The estimation of
such dynamics by the rolling window regression method shows a good fit, allowing to
estimate the approximate date for the peak of the epidemic based on the new officially
reported cases. Some factors associated with the progression of the pandemic are
estimated, especially the effect of the speed of contagion (effective reproduction rate,
Ro) on the future trajectory of daily infections. In addition, an attempt to estimate the
impact of preventive social distancing measures adopted by national and regional
authorities is performed. Results show that the peak of the pandemic in Colombia will
be reached approximately at the end of August; finding that agrees with more elaborate
epidemiological studies. The average number of new daily cases at the peak of the
pandemic in Colombia would reach more than 10,000, while the maximum number of
deaths would be 44,471. Estimates about the impact of confinement measures show
that it is possible to delay the peak and reduce the number of infections and deaths.
INTRODUCCIÓN
La repuesta del Gobierno Nacional, en un intento por detener la expansión del virus, no
se hizo esperar. El martes 24 de marzo se decretó una cuarentena en todo el país que
terminaría el 25 de mayo. No obstante, dado el aumento en el número de casos y
muertes, la medida se extendió hasta el 31 de julio de 2020. La idea de una cuarentena
o medida de aislamiento preventivo es ganar tiempo y evitar el colapso en los sistemas
de salud, así como tratar de aplazar el pico de contagio de una enfermedad.
En este documento se analiza la evolución diaria del COVID-19 para Colombia y las
ciudades con el mayor número de contagios en este país, con el objetivo de encontrar
alguna evidencia relacionada con la estimación del pico de contagios y las muertes
asociadas con el virus. Los resultados muestran que el pico de la pandemia en
Colombia se alcanza aproximadamente a finales de agosto, período que coincide con
estudios epidemiológicos más elaborados en Colombia. A partir de modelos con
tendencia temporal cuadrática se extrapola el número de contagios y de muertes.
Además, a partir de estimaciones recursivas tipo rolling window, se estima el momento
en donde podría darse el pico de la curva de contagios y de muertes a nivel nacional, el
cual está sujeto a un margen de incertidumbre enorme. Según dichas estimaciones, el
número total de casos diarios que se alcanzarían en el pico está alrededor de 9.580
contagios, mientras que el número de fallecidos sería más de 10.000 personas.
Ciudades como Bogotá, Cali y Barranquilla podrían alcanzar el pico de contagios y
muertes diarias en un lapso de 7 semanas contadas a partir del 27 de mayo, para
después transitar hacia un descenso lento. Las excepciones son Leticia y Villavicencio,
donde aún es muy temprano estimar cuándo ocurrirá el pico de contagios y de muertes.
1
Cifras oficiales reportadas diariamente por el Ministerio de Salud: http://www.ins.gov.co/Noticias/Paginas/Coronavirus.aspx.
Sugerencia de citación: Chaves-Castro, A. H. (2021). Análisis sobre la evolución del COVID-19 en Colombia:
¿se alcanzará el pico de contagio?.
tiempo&economía, 8(1), en prensa. doi: 10.21789/24222704.1672
Esta sección sigue de cerca la exposición realizada por Arroyo-Marioli et al. (2020) a
partir del modelo básico original de Kermack y MacKendrick (1927).2 El modelo
estándar describe la evolución diaria de los susceptibles ( ), infectados ( ) y
recuperados ( ) (SIR) a partir de las ecuaciones 1, 2 y 3, las cuales se presentan en
forma discreta:
(Ec. 1)
(Ec. 2)
(Ec. 3)
2
Veinte años después de la aparición de la peste bubónica que afectó a Mumbai en 1905-1906, Kermack y McKendrick
intentaron responder la siguiente pregunta: ¿cómo se puede prevenir una pandemia? Para tal efecto, construyeron un modelo
dinámico para ajustar los datos al modelo estadístico y encontraron que la evolución de una epidemia tiene la forma de una u
invertida, que es lo que se conoce hoy en día como la curva epidemiológica.
Sugerencia de citación: Chaves-Castro, A. H. (2021). Análisis sobre la evolución del COVID-19 en Colombia:
¿se alcanzará el pico de contagio?.
tiempo&economía, 8(1), en prensa. doi: 10.21789/24222704.1672
( ) ( ) (Ec. 4)
̂( )
(Ec. 5)
̂( )
̂ (Ec. 6)
4
La función presenta la siguiente forma ( ) { ⁄ √ } [ ( ) ⁄ ]
Sugerencia de citación: Chaves-Castro, A. H. (2021). Análisis sobre la evolución del COVID-19 en Colombia:
¿se alcanzará el pico de contagio?.
tiempo&economía, 8(1), en prensa. doi: 10.21789/24222704.1672
5
Las estimaciones realizadas por el autor se pueden obtener en tiempo real para todos los países del mundo en: http://trackingr-
env.eba-9muars8y.us-east-2.elasticbeanstalk.com.
Sugerencia de citación: Chaves-Castro, A. H. (2021). Análisis sobre la evolución del COVID-19 en Colombia:
¿se alcanzará el pico de contagio?.
tiempo&economía, 8(1), en prensa. doi: 10.21789/24222704.1672
6
Al número de contagios diarios se resta el número de recuperados y el número de fallecidos.
Sugerencia de citación: Chaves-Castro, A. H. (2021). Análisis sobre la evolución del COVID-19 en Colombia:
¿se alcanzará el pico de contagio?.
tiempo&economía, 8(1), en prensa. doi: 10.21789/24222704.1672
REVISIÓN DE LA LITERATURA
El artículo de Fernández-Villaverde y Jones (2020) recoge todas estas ideas con el fin
de permitir que las tasas de contagio del COVID-19 estén influenciadas por las políticas
de distanciamiento social y por varios parámetros que varían entre países, estados y
ciudades, los cuales se constituyen en buenas proxies de la demografía y de la
heterogeneidad que existe detrás de la evolución de la pandemia. En este sentido,
estos autores parten de los modelos epidemiológicos básicos en tiempo discreto, pero
incluyen el efecto de las políticas de distanciamiento social y los calibran de forma que
al incorporar estas medidas se pueden realizar simulaciones para la tasa de letalidad
en diferentes escenarios. Los autores concluyen que los modelos siguen muy de cerca
la dinámica del virus a nivel mundial y que esta se encuentra influenciada por el
comportamiento de los individuos y responde a las medidas de política implementadas
por los gobiernos.
Un enfoque de investigación de moda por estos días se caracteriza por utilizar modelos
comportamentales más sofisticados que involucran múltiples dimensiones. Acemoglu et
al. (2020), Alvarez et al. (2020) y Chari et al. (2020) describen las políticas óptimas de
aislamiento implementadas por un planeador que quiere controlar el número de
muertes de una pandemia mientras minimiza los costos asociados a las políticas de
aislamiento social. Berger et al. (2020) analizan el impacto de la realización de pruebas
para detectar el número de infectados y el efecto de las cuarentenas. Bethune y
Korinek (2020) estiman las externalidades negativas derivadas de la pandemia y
encuentran que estas son bastante fuertes. Por su parte, Bodenstein et al. (2020)
combinan modelos comportamentales con modelos de equilibrio general computable
multisectoriales para cuantificar los efectos a partir de matrices insumo-producto para
Estados Unidos. Garriga et al. (2020), Hornstein (2020) y Karin et al. (2020) estudian
una gran variedad de medidas de contención del virus. Además, Toda (2020) estima
modelos epidemiológicos SIR con el fin de estimar la política óptima de mitigación
controlando factores como el período y la intensidad del distanciamiento social.
salud. Por otro lado, estos autores también encuentran que existe una relación muy
débil entre la cuarentena y la propagación del virus —que está más relacionada con
una mayor actividad residencial— y que los spillovers derivados de la política
económica y respuestas comportamentales son muy importantes para la contención del
virus.
Aum et al. (2020) construyen el modelo cuantitativo de una economía golpeada por una
pandemia en donde los agentes difieren en edades y habilidades y eligen sus
ocupaciones con el fin de maximizar su ingreso y minimizar el miedo a la infección. A
partir de la calibración del modelo, estos autores replican la propagación del COVID-19
en Corea del Sur y Reino Unido, hallando que las medidas de aislamiento no presentan
un claro trade off entre el PIB y las políticas de salud, como comúnmente se cree.
Además, encuentran que si el gobierno del Reino Unido hubiera adoptado las políticas
implementadas por Corea del Sur, las pérdidas en producción (PIB) y el aumento en el
número de contagios podrían haber sido sustancialmente menores tanto en el corto
como en el largo plazo.
Para el caso colombiano existen varias investigaciones que intentan medir el impacto
del nuevo coronavirus sobre la economía y la evaluación de las medidas de
aislamiento. El trabajo de Cordovez et al. (2020) utiliza un modelo matemático para
estudiar la dinámica de contagio del COVID-19 en un ambiente urbano realista y
evaluar el efecto que pueden tener las medidas de mitigación de la propagación del
nuevo coronavirus en Bogotá. Igualmente, estos autores evalúan el efecto de abrir
gradualmente sectores de la economía y la reapertura de colegios (públicos y privados)
y universidades sobre el sistema de salud y el posible rebrote de la infección después
del período de análisis. El estudio encuentra que las medidas de mitigación
implementadas permiten aplazar el crecimiento exponencial de los contagios, pero no
evitan que se exceda la capacidad de camas en las UCI. Por otro lado, la duración de
la restricción en el tiempo o la proporción de personas que cobija la norma tienen
siempre el mismo efecto de desplazar la curva de contagios en el tiempo. Así mismo, el
cierre de universidades y colegios es menos eficiente en aplacar el crecimiento de la
curva comparado con la restricción de la movilidad de adultos. Otros resultados
importantes de este trabajo señalan que los efectos de restringir los sectores
económicos son determinantes para no exceder la capacidad del sistema de salud en
el mes de junio y que una restricción de la economía que genere una disminución de la
Sugerencia de citación: Chaves-Castro, A. H. (2021). Análisis sobre la evolución del COVID-19 en Colombia:
¿se alcanzará el pico de contagio?.
tiempo&economía, 8(1), en prensa. doi: 10.21789/24222704.1672
Por otra parte, el trabajo de Álvarez et al. (2020) presenta una descripción de la
situación de la propagación del COVID-19 en Colombia, a partir de la cual formulan
propuestas de política con el fin de contener el contagio y ajustar la infraestructura de
salud, mitigar los efectos nocivos de la crisis sobre la incidencia de la pobreza y
proteger el empleo formal para ayudar a la supervivencia de las firmas. Los autores
concluyen que el confinamiento fue una medida necesaria para suavizar el aumento de
la tasa de contagios y preparar la infraestructura de salud para encarar efectos
adversos. Así mismo, afirman que mientras dure el confinamiento será necesario
realizar transferencias monetarias no condicionadas suficientes a los hogares que se
ven afectados por la parálisis.
De otro lado, Bardey et al. (2020) realizan un análisis gráfico del impacto potencial de
medidas de contención tales como el confinamiento y restricciones a la movilidad. A
partir de la estimación de correlaciones entre la diferencia de logaritmos (tasa de
crecimiento) de los casos acumulados de nuevos contagios y el número de muertes,
estos investigadores encuentran que dichas políticas producen efectos inmediatos
sobre el crecimiento de los casos de contagio y la tasa de crecimiento del número de
muertes, las cuales han sufrido un retraso después de las medidas implementadas. De
acuerdo con los autores, el análisis gráfico es consistente con las características
epidemiológicas del virus y sugiere que las políticas implementadas han tenido un
efecto significativo sobre la tasa de crecimiento de nuevos contagios y el número de
muertes.
Un enfoque regional de los efectos del nuevo coronavirus sobre la actividad económica
se presenta en el trabajo de Bonet-Morón et al. (2020). El estudio evalúa el impacto
económico regional y sectorial de las medidas de aislamiento preventivo ordenadas por
el Gobierno Nacional para evitar los efectos nocivos del nuevo coronavirus. A partir de
un modelo de insumo-producto, los autores estiman la pérdida económica en términos
de empleos formales e informales en distintos sectores de la economía. Los resultados
muestran que las pérdidas oscilan entre 4,6 y 59 billones de pesos colombianos por
mes, de acuerdo con los escenarios considerados, las cuales representan entre 0,5 y
6,1 % del PIB nacional. Los departamentos de Antioquia, Boyacá, San Andrés,
Santander y Valle del Cauca aparecen como los más afectados.
Esta sección sigue de cerca el modelamiento presentado por Linton y Shaoran (2020),
aunque incorpora una ligera diferencia relacionada con la introducción de un vector de
regresores adicionales que explican la trayectoria futura de los nuevos casos, como,
por ejemplo, la evolución del número de reproducción efectiva, ya explicado en la
sección 2.
Sugerencia de citación: Chaves-Castro, A. H. (2021). Análisis sobre la evolución del COVID-19 en Colombia:
¿se alcanzará el pico de contagio?.
tiempo&economía, 8(1), en prensa. doi: 10.21789/24222704.1672
( ) ( ) (Ec. 7)
La ecuación cuadrática
Con el fin de estimar y predecir el futuro pico de contagios y muertes por el nuevo
coronavirus, se utiliza un modelo cuadrático que presenta la siguiente forma:
( ) (Ec. 8)
7
Sumar uno (1) al número de casos nuevos solo es necesario para algunas ciudades que tienen un registro de datos muy
dispersos, o cuando al comienzo de la pandemia existían ausencia de datos, es decir, eran iguales a cero.
8
La obtención del máximo local se consigue simplemente al obtener la condición de primer orden e igualando a cero, es decir,
calcular la derivada parcial de ( ) cuando cambia t: ( )⁄ .
Sugerencia de citación: Chaves-Castro, A. H. (2021). Análisis sobre la evolución del COVID-19 en Colombia:
¿se alcanzará el pico de contagio?.
tiempo&economía, 8(1), en prensa. doi: 10.21789/24222704.1672
9
Se tiene un panel de datos largo que se caracteriza porque el número de unidades de sección cruzada (ciudades) es menor a la
dimensión temporal (85 días), lo cual es favorable debido a que permite capturar la dinámica del virus y la estimación recursiva
de las tendencias.
Sugerencia de citación: Chaves-Castro, A. H. (2021). Análisis sobre la evolución del COVID-19 en Colombia:
¿se alcanzará el pico de contagio?.
tiempo&economía, 8(1), en prensa. doi: 10.21789/24222704.1672
Con el fin de estimar y predecir el momento en que tiene lugar el pico y el número
máximo de contagios y muertes, la estrategia de estimación que se siguió fue la
siguiente: En primer lugar, se realizó la estimación dentro de la muestra con los datos
más recientes, es decir, seleccionando una ventana de 30 observaciones y se verifica
que el signo del parámetro estimado que acompaña al término cuadrático de la
ecuación sea menor que cero, ̂ . Después, se reemplaza el valor de ̂ en la
ecuación con el fin de encontrar el máximo número de casos al interior de la muestra.
El método de estimación recursiva por rolling window permite que los parámetros de la
ecuación 8 cambien a través del tiempo y entre ciudades, lo cual se puede percibir en
la tabla 2. Los resultados muestran un buen ajuste de las estimaciones, como se
evidencia en los altos valores del para todas las ciudades. Los valores estimados
del parámetro que acompaña al término cuadrático del tiempo (_b_t2) tiene el signo
negativo esperado, lo que implica la presencia de un máximo local en las unidades de
sección cruzada de la estructura de datos de panel y que, además, son
estadísticamente significativos y diferentes a cero. No obstante, el signo negativo
depende de la ventana escogida en la estimación recursiva. Por ejemplo, para una
ventana de 30 días iniciando el 27 de mayo, el pico de contagio se alcanzaría el
próximo 27 de junio en la mayoría de ciudades, incluida Colombia, excepto en
Barranquilla, Leticia y Villavicencio. Cuando se escoge una ventana de 50 días
iniciando el 1 de junio, el pico de contagio se alcanzaría el próximo 5 de julio en
Bogotá, Cali, Colombia, Medellín y Neiva, mientras que en Barranquilla, Cartagena y
Leticia se esperaría un pico mucho más alto.
Variables Barranquilla Bogotá Cali C/gena Colombia Leticia Medellín Neiva V/vicencio
Tmax 134.5 142 55.77 6.384 72.8 42.23 112 100.5 65.19
Inferiort 128.3 135.8 62 4.153 66.57 36 110 94.23 58.96
Superiort 140.7 148.2 49.54 12.61 79.03 48.46 123 106.7 71.42
Número Máximo de Contagios en el Pico Estimado*
Variables Barranquilla Bogotá Cali C/gena Colombia Leticia Medellín Neiva V/vicencio
Zmax 9.186 10.03 5.521 6.28 9.587 7.449 1.93 4.073 7.149
Inferiorz 7.032 8.187 1.325 0.566 2.74 5.397 1.24 2.774 5.303
Superiorz 10.661 11.03 12.37 13.13 16.43 8.296 1.61 10.92 14
Por su parte, el número promedio de nuevos contagios en el pico para Bogotá serían
de 22.026, con un intervalo máximo de 59.874 nuevos casos diarios y un mínimo de
8.103.11 Sin embargo, el número de casos acumulados (calculados como la sumatoria
desde el 20 de abril, tal como se explica en el apéndice) serían 71.080 por millón de
habitantes en una ventana de estimación de 60 días. El número promedio de contagios
en el máximo en Barranquilla sería de 9.701, con un intervalo máximo de 40.134 y un
mínimo de 1.130 contagios. El acumulado de contagios desde el 27 de mayo hasta el
máximo en Barranquilla sería de 82.284 contagios. Para ciudades como Leticia,
Cartagena y Villavicencio, que han presentado tasas de crecimiento altas, el número
promedio de contagios en el pico sería de 1.808, 544 contagios y 1.261,
respectivamente, números que se encuentran dentro de los intervalos de confianza
construidos al 95 %. Sin embargo, en el acumulado, desde el 27 de mayo el número
máximo de contagios para estas mismas ciudades serían 3.866, 5.038 y 3.564
contagios por millón de habitantes, respectivamente.
10
Este resultado coincide con pronósticos que utilizan modelos epidemiológicos más elaborados, como los del profesor Diego
Rosselli, quien encuentra que el pico se alcanzaría el 28 de agosto, con más de 10 mil casos diarios. Este pico se mantendría más
o menos hasta el 22 de octubre. De ahí en adelante, los contagios se reducen de manera gradual.
11
Dado que los valores se encuentran en logaritmos, los niveles de contagios se calculan tomando el exponencial de ese número
promedio.
Sugerencia de citación: Chaves-Castro, A. H. (2021). Análisis sobre la evolución del COVID-19 en Colombia:
¿se alcanzará el pico de contagio?.
tiempo&economía, 8(1), en prensa. doi: 10.21789/24222704.1672
punto de inflexión (tmax) que se alcanza cuando el parámetro estimado que acompaña
al término cuadrático resulta ser negativo, así como sus correspondientes intervalos de
confianza al 95 %.
Variables Barranquilla Bogotá Cali C/gena Colombia Leticia Medellín Neiva V/vicencio
Tmaxf 73.13 208.6 40.69 114.6 95.34 30 40.04 28.19 44.34
Inferiortf 68.72 204.2 36.28 110.2 90.93 25.59 35.63 23.78 39.93
Superiortf 77.54 213 45.1 119 99.75 34.41 44.45 32.6 48.75
Número Máximo de Fallecidos en el Pico Estimado*
Variables Barranquilla Bogotá Cali C/gena Colombia Leticia Medellín Neiva V/vicencio
Zmaxf 2.228 6.723 3.88 4.556 6.99 4.995 0.679 1.587 2.736
Inferiorzf 0.823 5.318 2.475 3.151 5.585 3.589 0.726 0.182 1.33
Superiorzf 3.633 8.128 5.285 5.962 8.395 6.4 2.085 2.993 4.141
Tabla 6. Estimación del momento en que no existirán contagios (días después del pico)
Variables Barranquilla Bogotá Cali C/gena Colombia Leticia Medellín Neiva V/vicencio
To 10.37 63.43 32.63 13.07 69.9 54.41 51.49 18.31 8.211
Lower 8.89 61.95 31.15 11.59 68.42 52.93 50.01 16.83 6.74
Upper 11.85 64.91 34.11 14.55 71.38 55.89 52.97 19.79 9.69
Estimación del Momento en Donde no Existirán Fallecidos
Variables Barranquilla Bogotá Cali C/gena Colombia Leticia Medellín Neiva V/vicencio
To 52.56 0.642 8.576 35.9 2.973 62.87 294.9 14.5 13.76
Lower 50.07 -1.85 6.09 33.41 0.48 60.38 292.41 12.01 11.27
Upper 55.05 3.13 11.07 38.39 5.46 65.36 297.39 16.99 16.25
Fuente: elaboración propia con datos del Ministerio de Salud.
A nivel nacional se observan varios picos, de los cuales el más alto se presenta el 21
de junio. A partir de esa fecha se presenta una reducción sostenida en el número de
fallecidos, lo cual también ocurre en la ciudad de Bogotá. Por su parte, en Barranquilla,
al parecer, el pico más alto de fallecidos se pudo haber presentado el 28 de mayo.
Después de esa fecha el número de fallecidos se reduce de manera sostenida hasta el
18 de julio, cuando se estimaría que no existirá ningún fallecido (tabla 8).
(Ec. 9)
Se supone que el tratamiento sucede una sola vez a lo largo del período de análisis
y, por ende, existirá una secuencia de tratamientos posibles a lo largo del tiempo. El
Sugerencia de citación: Chaves-Castro, A. H. (2021). Análisis sobre la evolución del COVID-19 en Colombia:
¿se alcanzará el pico de contagio?.
tiempo&economía, 8(1), en prensa. doi: 10.21789/24222704.1672
parámetro de interés a estimar es el ATE,12 el cual está definido para dos resultados
potenciales y como: [ ( ) ( )] ( ).
Los resultados de la estimación para las ecuaciones que toman como variables de
resultado contagios y fallecidos se presentan en la tabla 7. El indicador de tratamiento
en la ecuación de contagios (did) es una variable binaria que se construyó como la
interacción entre la variable dummy de cuarentena y la variable dummy del grupo de
tratados. Es decir, la variable dummy de cuarentena se construyó asignando el valor de
1 después del 26 de marzo (inicio de la cuarentena) y cero en caso contrario. Por su
parte, la variable binaria de tratados toma el valor de 1 para las ciudades que
presentaban el mayor crecimiento de contagios y fallecimientos (Bogotá, Cali,
Cartagena y Colombia) y cero en caso contrario. De esta forma, la variable did sería el
estimador de diferencias en diferencias dinámico, que recogería el impacto de las
medidas de confinamiento o las restricciones impuestas por el Gobierno Nacional para
mitigar la pandemia.
Tabla 7. Estimación del impacto de las medidas de confinamiento sobre los contagios
Variable dependiente:
Variable dependiente: fallecidos
contagios
Variables MCO Efecto Fijo Variables MCO Efecto Fijo
_D_F4 2.311*** 0.0360 _D_F7 -0.159 0.0950*
(0.657) (0.124) (0.833) (0.0469)
_D_F3 -0.00227 -0.0374* _D_F6 -0.0904 0.0543*
(0.882) (0.0168) (0.834) (0.0281)
_D_F2 -0.0256 -0.0640*** _D_F2 0.0764 -0.0133
(0.887) (0.0186) (0.858) (0.0348)
_D_F1 -0.0182 -0.0496*** _D_F1 0.0292 -0.0175
(0.890) (0.0147) (0.857) (0.0150)
Did -0.0226 -0.0774** dummy40 0.180 -0.0396**
(0.898) (0.0332) (0.862) (0.0134)
_D_L1 -0.0173 -0.0420*** _D_L3 0.0755 0.0233
(0.897) (0.0120) (0.749) (0.0437)
_D_L2 -0.0171 -0.0439*** _D_L4 0.123 0.0626
(0.901) (0.0131) (0.727) (0.0513)
_D_L3 -0.00637 -0.0372** _D_L5 0.0860 0.00643
(0.900) (0.0152) (0.712) (0.0312)
_D_L4 -0.177 -0.618 _D_L6 0.0147 0.00817
(0.652) (0.389) (0.706) (0.0116)
Closcoll 0.241 -0.264 _D_L7 0.0630 0.0674
(0.384) (0.190) (0.698) (0.0513)
12
En términos de la ecuación equivale a estimar los parámetros , y y verificar si son estadísticamente
significativos y diferentes a cero.
Sugerencia de citación: Chaves-Castro, A. H. (2021). Análisis sobre la evolución del COVID-19 en Colombia:
¿se alcanzará el pico de contagio?.
tiempo&economía, 8(1), en prensa. doi: 10.21789/24222704.1672
De igual forma, se incluyeron otras medidas adoptadas por el gobierno, como el cierre
de colegios (closcoll), y un indicador de respuesta del gobierno frente a la pandemia
(IRG) calculado por la Universidad de Oxford.13 En el caso del cierre de colegios, el
parámetro estimado presentó el signo negativo, es decir, la medida generó una
reducción en el número de contagios; sin embargo, esta medida no es
estadísticamente significativa. Por su parte, la respuesta del gobierno frente a la
pandemia no fue eficaz para reducir el número de contagios, tanto en la estimación por
efecto fijo como en la estimación por MCO.
De otro lado, la estimación del impacto del confinamiento sobre la variable de resultado
de fallecidos no es concluyente. La variable de tratamiento en esta ecuación fue la
variable de cuarentena que toma el valor de 1 una vez implementada (26 de marzo) y
ceros en caso contrario. Esta solamente resultó ser estadísticamente significativa de
manera contemporánea y presentó el signo esperado (negativo) en la ecuación
estimada por efecto fijo, lo que implicó que, en promedio, la medida generó una caída
en el número de muertes de 3,9 %, aunque su impacto no fue significativo
temporalmente. El impacto de la respuesta de gobierno medida a través del índice IRG
genera un efecto en el número de muertes de manera rezagada, aunque su magnitud
es muy pequeña, pues la reducción aproximada en el número de muertes por COVID-
19 fue apenas 0,012 %. El hecho de que el impacto de las medidas de confinamiento
en la ecuación de fallecidos no resultó ser significativo podría implicar que muchos
fallecidos tenían antecedentes relacionados con enfermedades de base y que algunas
personas se recuperaron de manera satisfactoria, lo cual debería estudiarse en una
agenda de investigación futura a partir de otros modelos que capturen estos factores.
A pesar de que las medidas tempranas adoptadas por Colombia lograron aplazar el
pico de contagios y disminuir la propagación del virus, la tendencia reciente de la
enfermedad continúa creciendo de manera exponencial, por lo que se requiere de un
trabajo conjunto entre las autoridades de salud y económicas a fin de mitigar los
efectos devastadores de la pandemia.
13
El índice de respuesta de los gobiernos a la pandemia (IRG), calculado por la universidad de Oxford, muestra que Colombia
respondió rápidamente a la emergencia a través del establecimiento de medidas de confinamiento , las cuales continúan siendo de
las más estrictas hasta el momento, en comparación con otros países.
Sugerencia de citación: Chaves-Castro, A. H. (2021). Análisis sobre la evolución del COVID-19 en Colombia:
¿se alcanzará el pico de contagio?.
tiempo&economía, 8(1), en prensa. doi: 10.21789/24222704.1672
Algunas opciones que las autoridades podrían implementar con el fin de hacer frente a
la catástrofe generada por la pandemia podrían ser las siguientes:
COMENTARIOS FINALES
anterior. Adicionalmente, los efectos perversos del COVID-19 sobre el mercado laboral
tienen fuertes consecuencias dependiendo del género, pues el impacto negativo ha
sido más severo para las mujeres que para los hombres. Al respecto, de acuerdo con el
DANE, el número de mujeres empleadas se redujo en 22,1 % en mayo, con respecto a
igual mes del año anterior, comparado con una caída de 14,9 % para los hombres.
Otro aspecto interesante por destacar a partir de los resultados de este documento
tiene que ver con las pérdidas futuras de capital humano debido a la interrupción en los
procesos de formación a nivel de educación superior, dentro de las que sobresalen la
pérdida de ingresos de los hogares más vulnerables con empleos informales, que
fueron fuertemente golpeados por la pandemia. Es posible que la interrupción de un
semestre de formación en la universidad implique menos oportunidades de enganche
en el mercado laboral y la posibilidad de obtener tasas de retorno a la educación
adecuadas a la inversión necesaria en el proceso de formación.
Como muchos otros países, Colombia logró responder a la pandemia producida por el
COVID-19 a través del incremento en la realización de pruebas, el establecimiento de
estrictas medidas de confinamiento, trazabilidad de los contactos e incrementos en la
capacidad de UCI. Al parecer, la estrategia seguida por Colombia en torno a las
medidas de confinamiento se tomó de forma muy temprana, si se tiene en cuenta la
severidad de la pandemia en comparación con otros países, la cual continúa siendo
una de las medidas más estrictas. No obstante, en la actualidad, debido a las
tendencias recientes en la propagación del virus existen algunas señales con el manejo
de la pandemia, toda vez que la tasa de positividad de la enfermedad se ha ubicado
por encima del 10 %. A pesar de que no existe una respuesta clara frente a cuántas
pruebas se deben realizar, la Organización Mundial de la Salud sugiere que los países
deben realizar pruebas con el fin de mantener las tasas de positividad por debajo del
10 %.
REFERENCIAS
Acemoglu, D., Chernozhukov, V., Werning, I., & Whinston, M. D. (2020): A multi-risk
SIR model with optimally targeted lockdown. Massachusetts Institute of
Technology. https://economics.mit.edu/files/19698
Alvarez, F. E., Argente, D., & Lippi, F. (2020). A simple planning problem for COVID-19
lockdown (NBER Working Paper n.º 26981). National Bureau of Economic
Research. https://www.nber.org/papers/w26981
Álvarez, A., León, D., Medellín, M., Zambrano, A., & Zuleta, H. (2020). El coronavirus
en Colombia: Vulnerabilidad y opciones de política (PNUD LAC C19 PDS n.º 11.).
Programa de las Naciones Unidas para el Desarrollo.
Arroyo-Marioli, F., Bullano, F., Kucinskas, S., & Rondón-Moreno, C. (2020). Tracking R
of COVID-19: A new real-time estimation using the Kalman filter. SSRN, May.
http://dx.doi.org/10.2139/ssrn.3581633
Aum, S., Lee, S. Y., & Shin, Y. (2020). Inequality of fear and self-quarantine: Is there a
trade-off between GDP and public health? (NBER Working Paper n.º 27100).
National Bureau of Economic Research. https://www.nber.org/papers/w27100
Avery, C., Bossert, W., Clark, A., Ellison, G. & Fisher-Ellison, S. (2020). Policy
implications of models of the spread of coronavirus: Perspectives and
opportunities for economists (NBER Working Paper n.º 27007). National Bureau of
Economic Research. https://www.nber.org/papers/w27007
Bardey, D., Fernandez, M., & Gravel, A. (2020). COVID-19: Some Data Analysis.
https://sites.google.com/view/covid19somedataanalysis/home
Berger, D. W., Herkenhoff, K. F., & Mongey, S. (2020). An SEIR infectious disease
model with testing and conditional quarantine (NBER Working Paper n.º 26901).
National Bureau of Economic Research. https://www.nber.org/papers/w26901
https://doi.org/10.21034/sr.597
Bethune, Z. A., & Korinek, A. (2020). COVID-19 Infection Externalities: Trading Off
Lives vs. Livelihoods (NBER Working Paper n.º 27009). National Bureau of
Economic Research. https://www.nber.org/papers/w27009
https://doi.org/10.3386/w27009
Bodenstein, M., Corsetti, G., & Guerrieri, L. (2020). Social distancing and supply
disruptions in a pandemic (Finance and Economics Discussion Series 2020-031).
Board of Governors of the Federal Reserve System.
https://www.federalreserve.gov/econres/feds/social-distancing-and-supply-
disruptions-in-a-pandemic.htm https://doi.org/10.3386/w27009
Sugerencia de citación: Chaves-Castro, A. H. (2021). Análisis sobre la evolución del COVID-19 en Colombia:
¿se alcanzará el pico de contagio?.
tiempo&economía, 8(1), en prensa. doi: 10.21789/24222704.1672
Cerulli, G. (2019). Estimation of pre- and post-treatment average treatment effects with
binary time-varying treatment using STATA. The STATA Journal, 19(3), 551-565.
https://doi.org/10.1177/1536867X19874224
Chang, R., & Velasco, A. (2020). Economic policy incentives to preserve lives and
livelihoods (NBER Working Paper n.º 27099). National Bureau of Economic
Research. https://www.nber.org/papers/w27020 https://doi.org/10.3386/w27020
Chari, V. V., Kirpalani, R., & Phelan, C. (2020). The hammer and the scalpel: On the
economics of indiscriminate versus targeted isolation policies during pandemics
(NBER Working Paper 27232). National Bureau of Economic Research.
https://www.nber.org/papers/w27232 https://doi.org/10.3386/w27232
Cordovez, J. M., Santos, M., Bravo, C., & Cascante, J. (2020). Modelación COVID-19,
junio 1 de 2020. Universidad de los Andes.
Farboodi, M., Jarosch, G., & Shimer, R. (2020). Internal and external effects of social
distancing in a pandemic (NBER Working Paper n.º 27059). National Bureau of
Economic Research. https://www.nber.org/papers/w27059
https://doi.org/10.3386/w27059
Fernández-Villaverde, J., & Jones, C. (2020). Estimating and simulating a SIRD model
of covid-19 for many countries, states, and cities (Working Paper n.º 27128).
National Bureau of Economic Research. https://www.nber.org/papers/w27128
https://doi.org/10.3386/w27128
Garriga, C., Manuelli, R., & Sanghi, S. (2020). Optimal management of an epidemic: An
application to COVID-19. A Progress Report. Federal Reserve Bank of St. Louis.
Gregory, V., Menzio, G., & Wiczer, D. G. (2020). Pandemic recession: L or V-shaped?.
(NBER Working Paper n.º 27105). National Bureau of Economic Research.
https://www.nber.org/papers/w27105 https://doi.org/10.21034/wp.766
Sugerencia de citación: Chaves-Castro, A. H. (2021). Análisis sobre la evolución del COVID-19 en Colombia:
¿se alcanzará el pico de contagio?.
tiempo&economía, 8(1), en prensa. doi: 10.21789/24222704.1672
Karin, O., Yinon, M. B., Milo, T., Katzir, I., Mayo, A., Korem, Y., Dudovich, B., Yashiv,
E., Zehavi, A. J., Davidovich, N., Milo, R., & Alon. U. (2020). Adaptive cyclic exit
strategies from lockdown to suppress COVID-19 and allow economic activity.
medRxiv, May. https://doi.org/10.1101/2020.04.04.20053579
Korolev, I. (2020). Identification and estimation of the SEIRD epidemic model for
COVID-19. Binghamton University. https://doi.org/10.1016/j.jeconom.2020.07.038
Lin, Z., & Meissner, C. (2020). Health vs Wealth? Public Health Policies and the
Economy During COVID-19. (NBER Working Paper n.º 27099). National Bureau of
Economic Research. https://www.nber.org/papers/w27099
https://doi.org/10.3386/w27099
Linton, O., & Li, S. (2020). When will the COVID-19 pandemic peak? (Cambridge
Working Papers in Economics n.º 2025). University of Cambridge.
https://www.ifs.org.uk/uploads/CW1120-When-will-the-Covid-19-pandemic-
peak.pdf https://doi.org/10.1920/wp.cem.2020.1120
Liu, S., Weill, Pierre-Olivier, Lindsay, D., Lester, B., & Kargar, M. (2020). Corporate
bond liquidity during the COVID-19 crisis (NBER Working Paper n.º 27355).
National Bureau of Economic Research. https://www.nber.org/papers/w27355
Ludvigson, S., Ma, S., & Ng, S. (2020). COVID-19 and the macroeconomic effects of
costly disasters (NBER Working Paper n.º 26987). National Bureau of Economic
Research. https://www.nber.org/papers/w26987 https://doi.org/10.3386/w26987
Petherick, A., Kira, B., Angrist, N., Hale, T., & Phillips, T. (2020). Variation in
Government responses to COVID-19 (BSG Working Paper Series). University of
OXFORD.
Stock, J. H. (2020). Data gaps and the policy response to the novel coronavirus (NBER
Working Paper n.º 26902). National Bureau of Economic Research March.
https://www.nber.org/papers/w26902 https://doi.org/10.3386/w26902
APÉNDICE
[ √ ]⁄
El número total de casos a partir del período inicial de la estimación está dado por
∫ ( ( )) . La letalidad de la pandemia sería igual a la relación de
de muertes y de casos.
Una vez estimados los parámetros por M.C.O ̂ ( ̂ ̂ ̂), se puede estimar:
̂ ̂
̂ ̂(̂ ) ,
̂ ̂
̂ * ̂ √̂ ̂ ̂+⁄ ̂
Los errores estándar de los parámetros se estiman a partir del método delta, de la
siguiente forma:
(̂ ) ( ) ( ̂)
( )
[ ̂( ̂ )] ( ) ( ̂)
( )
̂
estima a través de ∫ (̂ ̂ ̂ ) ̂ , el cual se puede
aproximar a través de la sumatoria de ( ̂ ( )) a lo largo del período de extrapolación.